藥物開發的最大瓶頸通常發生在研究的早期階段，尤其是從確定潛在疾病目標到測試候選藥物是否能夠達到目標所需的時間。許多歐美大廠商已嗅到這趨勢，標榜以人工智慧（AI）輔助新藥開發的新創公司如雨後春筍般創立，例如 Atomwise、Insilico Medicine 等，也吸引全球如Pfizer、Merck 等大藥廠與這些新創公司合作，希望以 AI 強化產品開發的核心競爭力。日本的製藥公司、醫療保健公司、IT相關公司和研究組織也於 2016 年成立「生活智慧聯盟」（Life Intelligence Consortium, LINC），致力於 AI 應用於預測疾病發作到治療的藥物開發過程。
今年 BioJapan 邀請京都大學醫學院荒木通啟（Michihiro Araki）教授和橫河電機株式會社商業計劃部門總監下田聰一郎 （Soichiro Shimoda） 先生分享如何透過 AI 開創全新的生物製藥過程。
機器學習讓 AI 更聰明
Michihiro Araki 教授表示，要了解 AI，就須先知道大數據、機器學習（machine learning）、自動化、神經網路（neural network）。機器學習就是讓電腦能夠自行從大數據中，不斷學習一套技能，然後漸漸學會並且不斷精進。它可分為監督式學習（supervised learning）和非監督式學習（unsupervised learning）二種。前者就是在訓練的過程中告訴機器答案，也就是「有標籤」（label）的資料，比如給機器各看了不同的筆跡，然後詢問機器新的一張照片中筆跡是誰的。後者為訓練資料沒有標準答案、不需要事先以人力輸入標籤，故機器在學習時並不知道其分類結果是否正確。
京都大學醫學院荒木通啟（Michihiro Araki）教授
人工神經網絡是一種由大量簡單處理單元以某種方式相互連接而成，對連續的輸入做出狀態反應的動態訊息處理系統。它能模擬人類大腦生物神經網絡系統處理訊息的方式，藉由經驗而不是通過設計好的程序進行學習、訓練，具有聯想記憶、並行處理、自主學習、適應、預測及決策等能力。
AI 能以低成本提供大量且品質穩定的細胞
Michihiro Araki 教授接著表示，在生物製藥早期研發中，大多仰賴人類正常細胞或癌細胞培養，進行測試藥物的效力和毒性。然而，傳統上，細胞的質量控制別無選擇，只能依賴於有經驗的操作者的經驗和感受，因此穩定性為最大的問題，進而影響藥物測試的準確度。因此，如何透過 AI 生產大量且穩定的細胞成為重要開發項目。
首先需先收集大量文獻數據，包含細胞圖像、細胞培養優化條件（包含細胞培養液體的組成和培養箱的溫度、濕度、氧氣、氮氣、二氧化碳）、培養失敗條件紀錄等，然後將大數據透過 AI 進行機器學習，最後建立細胞培養的神經網路。接著，研究人員將操作參數輸入系統機器人內，包括體積、溫度、時間和特定的機器人動作。因此，他們在簡單的系統操作培訓之後，就能輕鬆依照實驗要求培養出所需要的細胞數量，並且能隨時監控且保證細胞品質。
延伸閱讀：AI 輔助新藥開發，速度與效果的加乘作用AI 全自動化的細胞培養系統 成為生物製藥研發新寵兒
Soichiro Shimoda 總監則分享 AI 全自動化的細胞培養系統的元件及操作流程。該系統能透過感應器來監控細胞狀況，並且直接透過指引器、營養保存處、幫浦、執行器、控制器以及資料處理器，執行培養液更換、細胞採收、沖洗、胰蛋白酶處理、廢料處理等自動化動作。機器人動作非常平穩緩和，能精確模仿操作人員的每一個步驟，確保不會對脆弱的細胞產生破壞。
河電機株式會社商業計劃總監 下田聰一郎 （Soichiro Shimoda）
透過 AI 全自動化系統培養細胞，除了減省時間和花費，也能大量降低溫染的機會，讓細胞更健康，其價值和品質也更高，進而最大程度地減少藥物測試間的差異。
目前生物製藥領域的細胞培養 AI 自動化需求也正在逐步提升，透過機器人不斷提升在複雜實驗室操作上的精確性、可靠性及持續性，也逐漸成為日本生物製藥研發的新寵兒。
延伸閱讀：《AI，醫療，大數據》 ── 專訪北醫大醫學科技學院院長 李友專教授撰文/Parker Yang
©www.geneonline.news. All rights reserved. 基因線上版權所有 未經授權不得轉載。合作請聯繫：service@geneonlineasia.com
